令人惊叹的可解释图推理

这是一份与图机器学习中可解释性相关的研究论文和软件集合。

目录

1. 可解释的预测
2. 可解释的推理
3. 软件
4. 理论与综述论文

---

许可证

• Apache 2.0

awesome-explainable-graph-reasoning 快速上手指南

awesome-explainable-graph-reasoning 是一个精选的资源集合库，汇集了图机器学习（Graph ML）领域中关于可解释性的研究论文、软件工具及理论综述。它本身不是一个单一的 Python 包，而是一个导航目录，帮助开发者快速定位所需的算法实现（如 GNNExplainer, PGExplainer 等）和前沿文献。

环境准备

由于本项目主要作为资源索引，使用前需准备好通用的图深度学习开发环境。

• 操作系统：Linux (推荐), macOS, Windows
• Python 版本：>= 3.8
• 核心依赖：
  • PyTorch
  • PyTorch Geometric (PyG) - 大多数图可解释性工具基于此构建
  • Git

建议先安装基础深度学习框架。国内用户推荐使用清华或阿里镜像源加速安装：

# 配置 pip 国内镜像源 (可选，推荐)
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

# 安装 PyTorch (请根据官网 https://pytorch.org/ 选择对应 CUDA 版本的命令)
# 以下为 CPU 版本示例
pip install torch torchvision torchaudio

# 安装 PyTorch Geometric 及其依赖
pip install pyg-lib torch-scatter torch-sparse torch-cluster torch-spline-conv -f https://data.pyg.org/whl/torch-2.0+cpu.html
pip install torch-geometric

安装步骤

本项目无需通过 pip 安装，直接克隆仓库即可获取最新的论文列表和软件链接。

# 克隆仓库
git clone https://github.com/AstraZeneca/awesome-explainable-graph-reasoning.git

# 进入目录
cd awesome-explainable-graph-reasoning

基本使用

本项目的核心用法是查阅其分类文档，找到你需要的具体算法代码库或论文。

1. 查找具体软件实现

如果你需要直接使用某个可解释性算法（例如 GNNExplainer），请查看 chapters/software.md 文件。

# 在终端直接查看软件列表分类
cat chapters/software.md

操作指引：在打开的文件中搜索关键词（如 "GNNExplainer"），点击对应的 GitHub 链接跳转到具体工具的仓库，然后按照该具体工具的 README 进行安装和调用。

2. 查找前沿论文

如果你需要调研“可解释推理”相关的最新论文，请查看 chapters/reasoning.md。

# 查看可解释推理相关的论文列表
cat chapters/reasoning.md

3. 典型工作流示例

假设你想使用 GNNExplainer 对你的图模型进行解释：

1. 在本项目中找到 GNNExplainer 的链接（通常指向 pyg 官方实现或原始作者仓库）。
2. 跳转到目标仓库，安装特定工具：

   # 示例：如果目标工具是独立的包
   pip install gnntools 
   

3. 在代码中调用（伪代码示例，具体请参考对应子项目文档）：

   import torch
   from torch_geometric.nn import GNNExplainer
   from your_model import GNNModel
   
   model = GNNModel()
   explainer = GNNExplainer(model, epochs=200)
   
   # 对特定节点进行解释
   node_idx = 0
   explanation = explainer.explain_node(node_idx, data.x, data.edge_index)
   
   # 可视化结果
   explanation.visualize_graph(path='gnn_explainer_result.pdf')
   

提示：本项目最大的价值在于聚合。遇到具体的图可解释性需求时，请先在此仓库的 Contents 目录中定位资源，再前往对应的子项目仓库获取详细 API 文档。